基于贝叶斯网络的生态系统服务权衡协同关系及其驱动因子分析——以陕北黄土高原为例

了解生态系统服务的权衡协同关系及其驱动因子效应是实现生态系统有效管理和改善人类福祉的基础。以陕北黄土高原为例，定量评估其2018年土壤保持、产水服务、粮食供给和固碳服务，在构建贝叶斯网络生态系统服务模型的基础上，通过节点的重要性分析识别影响生态系统服务的关键节点，利用联合概率分布、概率推理和情景模拟探讨生态系统服务权衡协同关系及其驱动因子效应。结果表明：（1）陕北黄土高原各类生态系统服务空间异质性较强。其中，土壤保持、产水服务和固碳服务的空间分布情况较为一致，高值区集中在东南部，低值区在西北部，呈"南高北低"的分布特征；粮食供给呈"中部高、南北低"的分布特征。（2）土壤保持、产水服务和固碳服务之间互为协同关系，粮食供给分别与土壤保持、产水服务、固碳服务为权衡关系。其中，产水服务与固碳服务的协同关系、产水服务与粮食供给的权衡关系较强。（3）土地利用、降水和NPP （Net primary production）是影响生态系统服务权衡协同关系的主要驱动因子，其中土地利用主要影响生态系统服务的协同关系，而降水和NPP在影响协同关系的同时对权衡关系也有一定的制约作用。研究发现：不同驱动因子在不同状态下产生相同的协同（或权衡）方式，相同驱动因子在不同状态则会造成协同（或权衡）方式的差异。研究对于认识多种生态系统服务间的复杂关系及其驱动因子差异，为后续提出改善生态系统管理和提高人类福祉的对策与措施，具有重要的理论和实践价值。     

面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构 学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网 络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多 时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验 概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅 能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经 典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网 络。     

面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网络。     

以子囊菌部分类群的rRNA数据为例,评估不同分区策略对贝叶斯分析效果的影响(英文)

在使用rRNA基因进行系统发育分析过程中,不同位点间进化速度的差异性可能是导致系统误差的一个重要原因。以52个真菌为研究对象,利用rRNA二级结构特征构建分区策略,探讨不同分区策略对贝叶斯分析的影响。结果显示各结构分区的最优核酸替代模型及其参数与分区类型密切相关。与传统的贝叶斯方法相比,使用结构环的分区策略对结果没有显著影响,而引入臂元素的方法却导致更高的边际似然值和支持率。此外,不考虑结构特征,简单的增加子分区数量的分区策略尽管也能导致贝叶斯因素值的增加,却没有提高解决亲缘关系的能力,说明一个合理的分区策略应该基于生物学功能(或二级结构特征)而非纯数学因素。     

基于贝叶斯模型平均的蒸散遥感产品集成——以三江源国家公园为例

蒸散发(ET)是陆表水热过程的一个基础通量,不同模型基于的概念、假设、应用尺度等诸多差异给ET的准确模拟带来了多种不确定性。本研究以三江源国家公园为例,应用贝叶斯模型平均(BMA)方法,通过通量塔观测值对模型进行训练,并综合PT-JPL、ARTS-GIMMS3g、ARTS-MODIS、MOD16和SSEBo 5个模型结果,以提高ET的估测精度。结果表明: 5个模型结果可以捕捉海北高寒草地通量塔观测ET的季节变化,可解释观测ET季节变异的64%～86%,均方根误差(RMSD)的范围为0.47～0.76 mm·(8 d)^-1;基于BMA得到的ET的解释能力提高至89%,RMSD降低至0.43 mm·(8 d)^-1。2003—2015年,三江源国家公园地表ET总体呈不显著增加的趋势,在全区尺度上,温度和降水对蒸散的影响不显著;但在长江源园区,降水和气温对其影响达到显著水平。气温和降水对蒸散发有积极的影响,但不同园区之间的地理差异导致蒸散发也出现不同的变化趋势。本研究为其他多源数据的集成分析提供了方法参考,所集成的蒸散数据可以有效降低原各自模型的不确定性,为区域水热变化研究提供了更为精确的数据基础。这对于更好地认识气候变化背景下的水循环过程具有重要意义。     

基于贝叶斯网潜类模型的高维SNPs分析

采用贝叶斯(Bayesian)网的潜类模型对GAW17高维SNPs数据进行分析,为复杂性状疾病遗传以及基因定位等方面的研究提供新的方法支持。本研究从GAW17提供的包含697个个体22条常染色体的上万个SNP中,随机挑选出1号染色体上12个基因的29个SNPs作为研究对象。按照累计信息贡献率达到95%的原则,应用贝叶斯网潜变量模型选出C1S11408,C1S3201,C1S1786等15个与X0互信息量大的SNPs位点来对研究人群进行分类与解释。结果表明697个个体总的被分为2个潜在类别,各类别的概率分别为0.68和0.32。对两类人群的疾病分布状况进行分析,结果表明二者不一致,第二个类别人群患病率(38.64%)明显高于第一个类别人群(25.99%)(χ2=11.46,P=0.001)。由此可见,两类人群疾病患病率的差别正是由选出的15个SNPs造成的,从而有理由认为这些SNPs为可疑致病位点,为进一步的研究提供明确的思路。     

基于关联基因本体论注释的蛋白质相互作用预测

细胞中的生理活动主要是通过蛋白质 - 蛋白质之间的相互作用来调控完成 . 详尽细致的蛋白质 - 蛋白质相互作用网络的解析对于理解细胞中复杂的调控、代谢和信号通路有重要的意义 . 近年来,关于新的蛋白质 - 蛋白质相互作用预测领域进展快速,这里,利用贝叶斯算法结合关联的 GO (Gene Ontology) ,来预测蛋白质的相互作用 . 利用非冗余的蛋白质相互作用数据来观察 GO 对的特性,得到 GO 关联的概率 . 通过阳性的和阴性的标准对照数据证实这个新方法可以很好地区别这两类不同的数据,显示出较好的灵敏度和非常低的假阳性预测率 . 通过与已知的高通量的实验数据比较,这个方法具有灵敏度高、速度快的优点 . 而且,运用这个新方法可以提供一些新的关于细胞内蛋白质之间相互作用的信息,为进一步的实验提供理论依据 .     

自动编码器方法的蛋白质二级结构预测

蛋白质二级结构预测是进行蛋白质三级结构研究的重要基础,氨基酸的编码方式对二级结构预测有一定的影响。本文应用了一种新的组合编码方式,即将基团编码与位置特异性打分矩阵(PSSM)进行组合的编码方式。本文中提出的基团编码是针对氨基酸的一种新的编码方式,基团编码是根据氨基酸内部组成来进行编码的,由42位属性组成。本文选取位置特异性打分矩阵(PSSM)中的Blosum62进化矩阵和新的基团编码进行组合,形成新的编码方式。然后对CB513和25pdb两组数据分别进行实验。本文中将采用贝叶斯分类器与自动编码器两种方法来对这种新的编码方式进行实验,然后比较这两种方法得到的两组数据的结果。可以很明显的发现采用自动编码器的实验结果要比使用贝叶斯分类器的结果要高出1.65%。在本文的实验中,可以提取特征的自动编码器的预测准确率更好。     

Bayesian Peak Picking for NMR Spectra

Protein structure determination is a very important topic in structural genomics,which helps people to understand varieties of biological functions such as protein-protein interactions,protein–DNA interactions and so on.Nowadays,nuclear magnetic resonance(NMR) has often been used to determine the three-dimensional structures of protein in vivo.This study aims to automate the peak picking step,the most important and tricky step in NMR structure determination.We propose to model the NMR spectrum by a mixture of bivariate Gaussian densities and use the stochastic approximation Monte Carlo algorithm as the computational tool to solve the problem.Under the Bayesian framework,the peak picking problem is casted as a variable selection problem.The proposed method can automatically distinguish true peaks from false ones without preprocessing the data.To the best of our knowledge,this is the first effort in the literature that tackles the peak picking problem for NMR spectrum data using Bayesian method.